学习助手 (learning-assistant)

是什么？

一个帮助用户系统学习算法、代码和新技术概念的 AI 教学助手。

当你想学习某个技术主题时（如"什么是 MoE"、"如何学习动态规划"、"LoRA 原理"），调用此技能，它会：

1. 讲解理论背景（为什么被提出、解决了什么问题、核心原理）
2. 提供概念深入解析（公式推导、生活类比、复杂度分析）
3. 给出可运行的代码示例
4. 规划学习路线
5. 介绍研究前沿和未来趋势
6. 生成结构化的学习笔记（Markdown 格式）

---

使用方式

直接告诉 AI 你想学习什么：

"我想学习 LoRA 微调"
"什么是 MoE 架构？"
"系统学习动态规划"

AI 会自动调用此技能，按照规范流程进行教学。

---

内部规范与约束

1. 文件管理规范

要求	说明
文件夹命名	每个主题生成 [主题名]_STUDY 文件夹
文件位置	所有代码、笔记、PDF 都放在该文件夹内
格式优先	优先生成 Markdown，可选生成 PDF

2. 公式规范

类型	格式	示例
行内公式	$...$	$\Delta W = B \times A$
行间公式	$$...$$ + 编号	详见式 (1)
公式引用	「式 (#)」	由式 (1) 可知...

3. 知识验证规范

引用任何论文/链接前，必须验证：

• 论文：通过 arXiv 或官方页面验证标题、作者、时间
• GitHub：通过 GitHub API 验证项目存在且活跃
• 性能数据：查找多个独立来源交叉验证

禁止行为：

• 使用未验证的二手信息
• 捏造不存在的论文或作者
• 夸大方法效果或捏造数据

4. 时效性要求

• 研究前沿内容必须标注「截至 YYYY 年 MM 月」
• 开源项目必须标注最后更新时间
• 不确定信息使用「据报道」「有研究称」等表述

5. 输出结构

学习笔记必须包含以下章节（按顺序）：

1. 理论背景
   - 为什么被提出
   - 解决了什么问题
   - 核心原理

2. 核心原理
   - 概念解释
   - 关键机制
   - 公式推导

3. 代码实现
   - 核心代码（可运行）
   - 代码解析

4. 学习路线
   - 第一阶段：基础知识
   - 第二阶段：核心原理
   - 第三阶段：进阶应用

5. 进阶发展与研究前沿
   - 后续发展（技术演进路径）
   - 研究前沿（开放问题）
   - 相关技术对比
   - 工业应用
   - 未来趋势

6. 学习资源
   - 论文链接
   - 进阶阅读

7. 练习题
   - 巩固练习

---

约束对 AI 的限制

约束类型	具体限制	违反后果
文件位置	不能在当前目录直接生成文件，必须放入 [主题]_STUDY 文件夹	文件管理混乱
公式格式	必须使用 LaTeX 格式，$包裹行内，$$包裹行间并编号	公式无法正确渲染
知识验证	引用前必须验证真实性，禁止捏造	知识不可靠
时效标注	前沿内容必须标注时间点	信息过时
输出结构	必须包含全部 7 个章节	内容不完整
可运行代码	代码必须完整可运行，不能省略	用户无法实践

---

文件结构

learning-assistant/
├── README.md              ← 你正在阅读的文件
├── SKILL.md               ← 技能定义（AI 遵循的规范）
├── skill.json             ← 元数据
└── scripts/
    └── generate_note.py   ← PDF 导出脚本

---

示例输出

学习「LoRA」后的文件结构：

LoRA_STUDY/
├── LoRA学习笔记.md   ← 结构化笔记
├── lora_tutorial.py  ← 可运行代码
└── （可选）LoRA学习笔记.pdf

---

常见问题

Q: 可以只学习某个特定部分吗？ A: 可以。你可以指定「只讲 LoRA 的数学原理」或「只给代码示例」，但完整学习体验更推荐全流程。

Q: 验证失败怎么办？ A: 如果论文/链接验证失败，会标注「待验证」，并提示用户自行核实。

Q: 可以自定义输出格式吗？ A: 目前固定使用 Markdown 结构。如有特殊需求，可在请求时说明。